Notícies Notícies

Torna a la pàgina principal
Vés enrere

Predir el risc de trombosi cerebrovascular en pacients amb trastorns cardíacs

Predir el risc de trombosi cerebrovascular en pacients amb trastorns cardíacs

Ha estat l'objectiu principal d'un treball publicat a Frontiers in Physiology per un equip d'investigadors dirigits per Oscar Camara, membre de el grup Physense, adscrit a la unitat d'investigació BCN MedTech, del qual Xabier Morales és el seu primer autor, amb participació internacional de centres acadèmics i de recerca de Dinamarca i França.

19.07.2021

Imatge inicial

A causa de l'envelliment general de la població mundial, les malalties cardiovasculars han passat a ser una de les principals causes de mortalitat. Entre els trastorns cardíacs més comuns es troba la fibril·lació auricular, un tipus d'arítmia amb un risc de desenvolupament acumulat superior al 30% en individus d'ascendència europea.

La fibril·lació auricular està caracteritzada per una activació elèctrica caòtica de l'aurícula esquerra, resultant en la seva contracció irregular i impedint el flux eficaç de la sang cap al ventricle esquerre. Aquestes alteracions de l'hemodinàmica, entre altres factors, afavoreixen la formació de coàguls de sang o trombes, que exposa els pacients de fibril·lació auricular a un major risc de patir accidents cerebrovasculars.

Sorprenentment, fins a un 99% de tots els ictus isquèmics d'origen cardíac en pacients amb fibril·lació auricular s'originen en l'orelleta de l'aurícula esquerra, una estructura tubular heterogènia situada a la paret anterior de l'aurícula esquerra. S'ha hipotetitzat que la morfologia específica de l'orelleta de cada pacient podria ser el principal catalitzador del procés de trombogènesi al promoure l'estancament de la sang. Nombrosos estudis han tractat de categoritzar les orelletes en funció de la morfologia i relacionar cada grup amb el seu respectiu risc de trombosi, però els resultats obtinguts han estat ambigus, ja que les directrius de classificació morfològica de l'orelleta solen ser completament subjectives, subratllant la necessitat de procediments analítics més sistemàtics i independents de l'observador.

Procediments analítics més sistemàtics i independents de l'observador

Recentment, l'adopció de les simulacions de dinàmica computacional de fluids (DCF) han aportat un gran coneixement sobre la interacció entre la morfologia, l'hemodinàmica i la trombosi a l'apèndix auricular esquerre. La DCF soluciona les equacions físiques que descriuen el comportament dels fluids, en aquest cas la sang, per conèixer la seva velocitat i direcció al llarg de tot el cicle cardíac. No obstant això, tot i que ofereixen gran precisió aquestes simulacions DCF són notòriament lentes, exigeixen una gran quantitat de recursos computacionals i impliquen una gran quantitat de preprocessament que dóna lloc a estudis amb mostres molt petites.

L'aprenentatge profund geomètric pot ser especialment útil en cardiologia computacional ja que pot treballar directament sobre les malles geomètriques i evita la necessitat de correspondència entre els pacients

Com a resposta a aquestes limitacions, l'aprenentatge profund ha començat a emprar-se com a substitut efectiu de sistemes físics complexos com és el cas de la dinàmica de fluids. L'aprenentatge profund consisteix en solapar diverses capes de neurones artificials que funcionen com petits computadors que poden alterar el valor d'entrada que reben a través d'una operació simple. Encara que aquests models requereixen de quantitats ingents de dades per ser precisos, un cop entrenats poden realitzar la inferència de forma gairebé instantània.

"És per això pel que les xarxes neuronals s'ajusten a la perfecció al nostre problema, ja que busquem avaluar de forma ràpida el risc d'un pacient de generar un trombe sense haver d'esperar a completar la simulació. Un cop entrenada, introduiríem a la xarxa les dades relatives a la morfologia de l'orelleta de cada pacient i la xarxa serà capaç de predir els paràmetres de risc trombòtic que obteníem amb les simulacions de forma instantània", explica Xabier Morales, primer autor d'un treball recentment publicat a Frontiers in Physiology. "Més encara, durant l'entrenament la xarxa aprendrà per si mateixa les característiques morfològiques més rellevants enfront del risc de trombosi, evitant així definir nosaltres mateixos les característiques morfològiques d'interès de manera completament subjectiva i imparcial", afegeix aquest membre del grup de recerca Physense, de la Unitat BCN MedTech del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF. En l'estudi hi ha hagut participació internacional de centres acadèmics i de recerca de Dinamarca i França.

Malles triangulars per representar imatges anatòmiques

No obstant això, un dels principals colls d'ampolla que impedeixen l'ús generalitzat d'aquests models és que les xarxes neuronals convencionals no s'adapten bé a dades que no estan estructurades en quadrícules regulars com ara les imatges. La forma més eficient de representar objectes 3D com ara l'anatomia dels òrgans humans és a través de malles triangulars. A diferència dels píxels d'una imatge, en una malla geomètrica el nombre de nodes adjacents a un vèrtex pot variar. Un exemple equivalent seria una llista amb els seguidors de cada usuari de Twitter, que òbviament variarà per a cada persona mentre que un píxel en una imatge 2D sempre tindrà 8 veïns independentment de la seva posició. Això complica enormement definir operacions com convolucions que són la pedra angular de l'aprenentatge profund sobre les pròpies malles.

Per norma general, els mètodes convencionals d'aprenentatge profund requereixen generar correspondència a través d'un mapatge 2D o regularitzar l'estructura d'alguna manera similar. En aquest sentit, l'aprenentatge profund geomètric comprèn tot un conjunt de mètodes recents que permeten estendre aquestes operacions a dades d'estructuració complexa, la qual cosa permet treballar directament sobre les malles sense cap transformació prèvia.

Les xarxes neuronals poden ser substituts efectius de simulacions de sistemes dinàmics complexos permetent obtenir prediccions de forma instantània, obrint el camí a futures aplicacions en temps real

Per tant, "en aquest estudi busquem desenvolupar un marc d'aprenentatge profund capaç de predir el potencial d'activació de les cèl·lules endotelials (ECAP), un índex típicament derivat de les simulacions DCF vinculat a el risc de trombosi, únicament a partir de la morfologia de l'orelleta de l'aurícula esquerra específica de cada pacient. Per a això, comparem dos enfocaments convencionals d'aprenentatge profund, les xarxes "fully-connected" (totes les neurones estan connectades a totes les neurones de la següent capa) i xarxes neuronals convolucionals, que requereixen d'un processat i transformació previ de les malles per regularitzar la seva estructura, amb una arquitectura d'aprenentatge profund geomètric que pot treballar directament sobre l'estructura nativa de la malla triangular", indica Oscar Camara, líder del projecte.

El model geomètric va mostrar millor precisió

Per entrenar les xarxes, els investigadors van completar un total de 370 simulacions DCF consistint en dos conjunts de dades. Un primer dataset més simple, fent ús d'una aurícula artificial i barrejant orelletes reals i sintètiques derivades de models estadístics, i un segon més complet de casos reals que considerava l'aurícula sencera de cada pacient.

En primer lloc, els tres models van aconseguir predir instantàniament l'ECAP únicament a partir de la malla anatòmica de l'orelleta al dataset simplificat, ometent efectivament la necessitat d'executar simulacions de dinàmica computacional de fluids DCF. Així i tot, el model geomètric va mostrar una millor precisió i una capacitat de generalització significativament superior. AL poder treballar directament sobre la forma nativa de les dades la xarxa geomètrica va demostrar ser capaç d'aprendre característiques morfològiques més universals ja que va obtenir resultats semblants als obtinguts sobre orelletes reals entrenant únicament sobre dades sintètiques. A més, aquest mateix model va mostrar una bona capacitat de predicció en el segon conjunt de dades, que inclouen simulacions més avançades i que consideraven l'anatomia completa de l'aurícula.

Aquests resultats podrien establir les bases per a la monitorització en temps real del risc de trombosi en el futur i obrir interessants vies per a futures aplicacions i interfícies preoperatòries en què un usuari clínic podria canviar interactivament la configuració d'un dispositiu d'oclusió de l'orelleta i avaluar instantàniament el risc associat.

Article de referència:

Xabier Morales Ferez, Jordi Mill, Kristine Aavild Juhl, Cesar Acebes, Xavier Iriart, Benoit Legghe, Hubert Cochet, Ole De Backer, Rasmus R. Paulsen, Oscar Camara (2021), "Deep Learning Framework for Real-Time Estimation of in-silico Thrombotic Risk Indices in the Left Atrial Appendage", Frontiers  in Physiology, 28 de juny, https://doi.org/10.3389/fphys.2021.694945.

­­

Multimèdia

Multimedia

Multimedia

Categories:

Per a més informació

Para más información

For more information

Notícia publicada per:

Noticia publicada por:

News published by:

Unitat de Comunicació i Projecció Institucionals

Unidad de Comunicación y Proyección Institucionales

Institutional Communication and Promotion Unit